Die Extraktion informativer und bedeutungsvoller zeitlicher Segmente aus hochdimensionalen Daten von tragbaren Sensoren, intelligenten Geräten oder IoT-Systemen stellt einen entscheidenden Vorverarbeitungsschritt in Anwendungen wie der Erkennung menschlicher Aktivitäten (Human Activity Recognition, HAR), der Trajektorienvorhersage, der Gestenerkennung und der Lifelogging-Anwendung dar. In diesem Paper stellen wir ESPRESSO (Entropy and ShaPe awaRe timE-Series SegmentatiOn) vor, ein hybrides Segmentierungsmodell für multidimensionale Zeitreihen, das speziell darauf ausgelegt ist, die Entropie- und zeitliche Formeigenschaften von Zeitreihen auszunutzen. Im Gegensatz zu bestehenden Methoden, die sich ausschließlich auf bestimmte statistische oder zeitliche Eigenschaften von Zeitreihen konzentrieren, erfasst ESPRESSO eine umfassendere Darstellung der Datenstruktur. Im Rahmen der Modellentwicklung wurde eine neuartige zeitliche Repräsentation von Zeitreihen, die sogenannte $WCAC$WCAC-Darstellung, eingeführt, zusammen mit einem gierigen Suchansatz zur Segmentierung basierend auf der Entropiemetrik. ESPRESSO zeigte sich in einer umfassenden Evaluation auf sieben öffentlichen Datensätzen aus tragbaren und tragfreien Sensoren überlegen gegenüber vier state-of-the-art-Methoden. Zudem führen wir eine tiefgreifende Analyse dieser Datensätze durch, um zu verstehen, wie sich ESPRESSO und seine einzelnen Komponenten in Abhängigkeit von unterschiedlichen Datensatzmerkmalen verhalten. Abschließend präsentieren wir zwei interessante Fallstudien, die verdeutlichen, wie die Anwendung von ESPRESSO zur Ableitung täglicher Aktivitätsmuster sowie zur Schätzung des emotionalen Zustands von Menschen beitragen kann.